随笔 - 70
文章 - 0
评论 - 0
阅读 -
1889
随笔分类 - 深度学习
point net
摘要：def __init__(self, k=40, normal_channel=True): __init__方法是一个特殊的方法，用于类的初始化。当创建一个类的新实例时，__init__方法会自动被调用，以设置对象的初始状态或属性。 self.feat = PointNetEncoder(glob
阅读全文
神经网络可视化
摘要：1、卷积核 卷积神经网络的每一层参数都是一组卷积核即权重。 2、特征层 在CNN输出结果之前，有一个高维的特征问量，该层离最终输出层最近、也是最能代图像特征的一层。这一层的特征，除了可以直接通过交叉熵损失做分类，还经常会用于进行图像比对和搜索。得到了多张图片的高维向量之即可通过计算向量距离的方法得到
阅读全文
产生式模型
摘要：机器学习中包含三大类问题:有监督学习、无监督学习以及强化学习。训练数据集中主要包含2类元素:数据x以及标签y。当数据集中x、y均为已知时，待解决的问题为有监督学习;当已知数据x但不知道标签y时，待解决的问题即为无监督学习。前几章介绍的分类、检测、分割均为有监督学习。自编码器自编码器(Autoenco
阅读全文
分割
摘要：1、语义分割 将图片中的所有像素进行分类(包括背景)，不区分具体目标，仅做像素级分类。 2、实例分割对于有多个目标的图片，对每个目标完成像素级的分类，并区分每一个目标(即区分同一个类别但属于不同的目标)。 FCN 对原图的每个像素进行分类，将输出层的每一个像素点当作分类任务做一个 Softmax.即
阅读全文
SSD训练细节
摘要：sampling·py import random import torch import torch.nn as nn from torch.autograd import Variable from torch.autograd import Function from bbox import
阅读全文
目标检测
摘要：定位+分类定位+分类问题是分类到目标检测的一个过渡问题，从单纯地图片分类到分类后给出目标所处的位置，再到多目标的类别和位置，定位问题需要模型返回目标所在的外界矩形框，即目标的(x,y,w,h)四元组。 将定位当作回归问题，具体步骤如下。1)训练(或下载)一个分类模型，例如，AlexNet、VGGNe
阅读全文
卷积神经网络
摘要：全连接层全连接层(Fully Connected Layer)可以理解为神经网络的一个隐藏层，它包含权重向量W和激活函数。具体来说，对于一张32*32*3的图片(宽和高均为32个像素，有RGB三个通道，可以将其理解为一个32*32*3的矩阵)，要通过全连接层，首先要将其拉伸为3072*1的向量作为神
阅读全文
pytorch实现神经网络图像分类
摘要：Tensor在PyTorch中，最核心的数据结构就是Tensor了，可以认为Tensor与Numpy中的ndarrays 非常类似，但是Tensor可以使用GPU加速而ndarrays不可以。 在pytorch进行GPU运算 if torch.cuda.is_available(): x=x.cud
阅读全文
深度学习与图像识别（误差反向传播）
摘要：误差反向传播法一 一个高效计算权重以及偏置量的梯度方法 ReLU 反向传播实现 class Relu: def _init_(self): self.x = None def forward(self,x): self.x = np.maximum(0,x) out = self.x return
阅读全文
numpy公式小总结1
摘要：umpy.array（）产生的数据可以是一维，二维乃至n维 numpy.matrix() 产生的数据是严格的二维 numpy.abs()计算绝对值numpy.linalg.norm()计算范数，默认计算L2范数numpy.linsapce()指定的间隔内返回均匀间隔数组numpy.maximum()
阅读全文
numpy中的向量
摘要：梯度在各自空间的每一个点上对应的物理量概有强度,也有方向，将这些既有大小又有方向的场抽像出来便可以得到向量场。松手瞬间小球运动方向在X1X2平面上的投影就是梯度下降方向也叫下山方向,它反方向叫梯度向量,也叫上山方向·行向量转置可得到列向量，转置运算符为b=aT可以用len (a)计算向量元素个数 构
阅读全文
深度学习与图像识别（神经网络基础2）
摘要：1、跟随梯度（数值微分） 不需要随机寻找权重，可以直接计算最好的方向，这个方向就是损失函数的梯度。梯度就是在每个维度上偏导数形成的向量。 计算梯度有两种方法，一种是缓慢的近似方法，即数值梯度法，另一种是分析梯度法，需要使用微分，虽然计算迅速，结果精确但是实现时容易出错 对上述公式编写一个函数 def
阅读全文
制作训练样本（屋顶提取）
摘要：1、选取的图像最好是正射影像 2、新建面矢量，覆盖住图像中的建筑。 3、进行矢量转栅格，重分类为1，将Nodata改为0.（后期使用栅格计算器相加得不出0与1的结果） 4、继续新建面矢量，覆盖整个图像，矢量转栅格后重分类为0. 5、使用栅格计算器，将图像栅格与建筑栅格相加，获取有0、1标注的样本。
阅读全文
深度学习与图像识别（神经网络基础）
摘要：一个神经网络的训练算法就是让权重的值调整到最佳，以使得整个网络的预测(或者分类)效果最好。 一般来说更多神经元的神经网络可以表达更复杂的函数。然而这既是优势也是不足，优势是可以分类更复杂的数据，不足是可能会造成对训练数据的过拟合。过拟合(Overfitting)是指网络对数据中的噪声有很强的拟合能力
阅读全文
深度学习与图像识别day5（机器学习基础）
摘要：线性问题主要处理回归问题，回归问题即预测一个连续问题的数值。 计算决定系数（R-squared，也称为R²或系数决定）是衡量回归模型预测准确性的一个常用指标。R-squared值越接近1，表示模型的预测性能越好；如果R-squared值为0，则表示模型只是简单地预测了目标变量的平均值；如果R-squ
阅读全文
深度学习与图像识别day4
摘要：KNN在Cifar上的应用 def getXmean(X_train): X_train = np.reshape(X_train, (X_train.shape[0], -1)) # 将图片从二维展开为一维 mean_image = np.mean(X_train, axis=0) # 求出训练集
阅读全文
深度学习与图像分类day3（KNN算法)
摘要：KNN——最近邻算法（即选择最近的占比最高的类别作为预测类别） KNN算法的计算逻辑 1)给定测试对象，计算它与训练集中每个对象的距离。 2)圈定距离最近的k个训练对象，作为测试对象的邻居。 3)根据这k个近邻对象所属的类别，找到占比最高的那个类别作为测试对象的预测类别。 在 KNN算法中，有两个方
阅读全文
深度学习与图像识别（numpy2）
摘要：获取numpy属性 首先，我们通过Numpy中的一个方法 arange(n)，生成0到n-1的数组。 np.arange(15) 返回的结果是array([ 0， 1， 2，3，4，5， 6，7， 8，9，10，11，12，13，14) 然后，再通过Numpy 中的reshape(row,colum
阅读全文
深度学习与图像识别学习笔记day2(numpy数组的方法）
摘要：创建numpy数组 import numpy as np nparray = np.array([i for i in range(10)]) print(nparray) 创建数值都为0的数组 import numpy as np a = np.zeros(10) print(a) 得到的结果0都
阅读全文
深度学习与图像识别学习笔记day1
摘要：文件不可以与现有的包重名哦 1、Theano （旧） 一个python库，可用于定义、优化与计算数学表达式，特别是多维数组（numpy.ndarray），可以理解为一个数学表达式的编译器：用符号式语言定义程序员所需的结果，并可以高效的运行与GPU与CPU上。 2、Tensorflow（新） 基于计算
阅读全文
